CN112102376B - 混合稀疏icp的多视点云配准方法、装置及存储介质 - Google Patents
混合稀疏icp的多视点云配准方法、装置及存储介质 Download PDFInfo
- Publication number
- CN112102376B CN112102376B CN202010773290.9A CN202010773290A CN112102376B CN 112102376 B CN112102376 B CN 112102376B CN 202010773290 A CN202010773290 A CN 202010773290A CN 112102376 B CN112102376 B CN 112102376B
- Authority
- CN
- China
- Prior art keywords
- point cloud
- target point
- registration
- sparse
- view
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了混合稀疏ICP的多视点云配准方法、装置及存储介质,首先可以通过激光扫描仪获取不同视角的两片3D点云,在经过KD‑Tree对目标点云初始化后,利用KD‑Tree对目标点云进行初始化,能够加速目标点云的最近邻点的求解速度,之后针对离群值、噪声在多视点云配准时的稀疏表达特性,通过建立混合稀疏模型,在多视点云配准所需的P范数稀疏模型中加入了2范数的正则项,赋予了配准模型高稀疏和近稀疏的表征能力,实现两片相邻多视点云的精确配准。本公开具有良好的抗噪、泛化性能,能避免求解多视点云配准变换矩阵收敛于局部最优解。本发明应用于计算机视觉技术领域。
Description
技术领域
本公开涉及计算机视觉技术领域,具体涉及混合稀疏ICP的多视点云配准方法、装置及存储介质。
背景技术
点云数据配准是计算机图形学最重要的研究内容之一,也是对象识别、姿态估计、人脸识别、表面匹配等应用中的关键技术。三维重建作为当前研究热点,已广泛应用于生活娱乐中的各个领域,包括制造业、医学、考古学等。而点云数据配准则是三维重建过程中必不可少的环节。
在进行点云配准时,采用单视角进行扫描存在感知范围小、受遮挡等局限性;另外带噪声、离群值的相邻多视角点云配准的精度往往较差。
发明内容
本公开旨在至少解决上述问题之一,提供混合稀疏ICP的多视点云配准方法、装置及存储介质。
为了实现上述目的,根据本公开的一方面,提供混合稀疏ICP的多视点云配准方法,所述方法包括以下步骤:
步骤101、获取相邻的目标点云A以及目标点云B,并进行归一化处理,所述目标点云A以及目标点云B为多视点云;
步骤102、通过KD-Tree对目标点云A进行初始化,加速最近邻点的求解速度;
步骤103、将目标点云A以及目标点云B代入构建的关于目标点云A与目标点云B的混合稀疏配准模型,得到空间变换矩阵R以及对应的配准点云B*,所述混合稀疏配准模型为:
其中,h=R*B+t-BClosest+λ/μ,z为噪声,ρ为权重,p为正整数,R为空间变换矩阵,λ和μ均为乘子变量,BClosest为目标点云B在目标点云A中的最近邻点,t为迭代次数;
步骤104、计算目标点云B与配准点云B*的均方根误差δ,并判断均方根误差δ与第一阈值的大小关系,若均方根误差δ小于第一阈值,则控制结束程序,输出配准结果;若均方根误差δ不小于第一阈值,则令B=B*,返回步骤102继续执行所述混合稀疏ICP的多视点云配准方法。
进一步,上述步骤103中确定权重ρ的方式具体包括以下:
初始化乘子变量μ、空间变换矩阵R以及迭代次数t,即令μ=10,R=I,t=[0 0 0]T,权重ρ由如下公式确定:
进一步,所述噪声z通过交替乘子法进行求解,可由如下公式确定:
进一步,上述步骤103中的所述空间变换矩阵R通过结合奇异值分解以及匹配点云质心的方式获取,具体包括以下:
R=SVD(B,C);t=mean(BClosest)-mean(R*B);C=BClosest+z-λ/μ。
进一步,上述步骤103中乘子变量λ和μ的更新方式具体包括以下:
λt+1=λt+μδ;δ=B-BClosest;μ=1.2*μ。
本发明还提供了混合稀疏ICP的多视点云配准装置,所述装置应用于所述的混合稀疏ICP的多视点云配准方法,包括:
目标点云获取单元,用于获取相邻的目标点云A以及目标点云B;
初始化单元,用于通过KD-Tree对目标点云A进行初始化操作得到初始化后的目标点云A;
计算单元,用于根据目标点云A以及目标点云B计算得出空间变换矩阵R以及对应的配准点云B*;
判断单元,用于计算目标点云B与配准点云B*的均方根误差δ,并判断均方根误差δ与第一阈值的大小关系,若均方根误差δ小于第一阈值,则结束程序,输出配准结果;若均方根误差δ不小于第一阈值,则令B=B*,返回步骤102继续执行所述混合稀疏ICP的多视点云配准方法。
本发明还提供一种计算机可读存储的介质,所述计算机可读存储的介质存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1-5中任一项所述的混合稀疏ICP的多视点云配准方法的步骤。
本公开的有益效果为:本发明提供混合稀疏ICP的多视点云配准方法、装置及存储介质,针对离群值、噪声在多视点云配准时的稀疏表达特性,通过建立混合稀疏模型,在多视点云配准所需的P范数稀疏模型中加入了2范数的正则项,赋予了配准模型高稀疏和近稀疏的表征能力,实现两片相邻多视点云的精确配准。本公开具有良好的抗噪、泛化性能,能避免求解多视点云配准变换矩阵收敛于局部最优解。
附图说明
通过对结合附图所示出的实施方式进行详细说明,本公开的上述以及其他特征将更加明显,本公开附图中相同的参考标号表示相同或相似的元素,显而易见地,下面描述中的附图仅仅是本公开的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图,在附图中:
图1所示为混合稀疏ICP的多视点云配准方法的流程图;
图2所示为混合稀疏ICP的多视点云配准装置结构示意图;
图3所示为混合稀疏ICP算法流程图;
图4所示为点云的最近邻搜索示意图;
图5所示为一个实施方式中相邻点云的初始位置示意图;
图6所示为图5中的一个实施方式在应用了本方法后的A、B点云的配准结果示意图。
具体实施方式
以下将结合实施例和附图对本公开的构思、具体结构及产生的技术效果进行清楚、完整的描述,以充分地理解本公开的目的、方案和效果。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
参照图1、图3以及图4所示为根据本公开的混合稀疏ICP的多视点云配准方法的流程图,下面来阐述根据本公开的实施方式的混合稀疏ICP的多视点云配准方法。
本公开提出混合稀疏ICP的多视点云配准方法,所述方法包括以下步骤:
步骤101、获取相邻的目标点云A以及目标点云B,并进行归一化处理,用以保证尺寸统一,所述目标点云A以及目标点云B为多视点云;
步骤102、通过KD-Tree对目标点云A进行初始化,加速最近邻点的求解速度;
步骤103、将目标点云A以及目标点云B代入构建的关于目标点云A与目标点云B的混合稀疏配准模型,得到空间变换矩阵R以及对应的配准点云B*,所述混合稀疏配准模型为:
其中,h=R*B+t-BClosest+λ/μ,z为噪声,ρ为权重,p为正整数,R为空间变换矩阵,λ和μ均为乘子变量,BClosest为目标点云B在目标点云A中的最近邻点,t为迭代次数;
步骤104、计算目标点云B与配准点云B*的均方根误差δ,并判断均方根误差δ与第一阈值的大小关系,若均方根误差δ小于第一阈值,则控制结束程序,输出配准结果;若均方根误差δ不小于第一阈值,则令B=B*,返回步骤102继续执行所述混合稀疏ICP的多视点云配准方法。
在本实施方式中,首先可以通过激光扫描仪获取不同视角的两片3D点云,在经过KD-Tree对目标点云初始化后,利用KD-Tree对目标点云进行初始化,能够加速目标点云的最近邻点的求解速度,之后针对离群值、噪声在多视点云配准时的稀疏表达特性,通过建立混合稀疏模型,在多视点云配准所需的P范数稀疏模型中加入了2范数的正则项,赋予了配准模型高稀疏和近稀疏的表征能力,实现两片相邻多视点云的精确配准。本公开具有良好的抗噪、泛化性能,能避免求解多视点云配准变换矩阵收敛于局部最优解。
具体的,第一阈值为迭代结束的条件,本实施方式中设置为0.0001,能够较佳的实现本方案的方法。
作为本方案的优选实施方式,上述步骤103中确定权重ρ的方式具体包括以下:
初始化乘子变量μ、空间变换矩阵R以及迭代次数t,即令μ=10,R=I,t=[0 0 0]T,权重ρ由如下公式确定:
在本实施方式中,给出了初始化的一个较佳的实施方式,当然在以实现本发明为目的前提下,也可以选定其他合理的初始化的方式。
作为本方案的优选实施方式,所述噪声z通过交替乘子法进行求解,可由如下公式确定:
在本实施方式中,给出了通过交替乘子法求解噪声z的较佳方式,能够很好的与实施例1相适配。
作为本方案的优选实施方式,上述步骤103中的所述空间变换矩阵R通过结合奇异值分解以及匹配点云质心的方式获取,具体包括以下:
R=SVD(B,C);t=mean(BClosest)-mean(R*B);C=BClosest+z-λ/μ。
作为本方案的优选实施方式,上述步骤103中乘子变量λ和μ的更新方式具体包括以下:
λt+1=λt+μδ;δ=B-BClosest;μ=1.2*μ。
参照图2,本发明还提供了混合稀疏ICP的多视点云配准装置,所述装置应用于所述的混合稀疏ICP的多视点云配准方法,包括:
目标点云获取单元,用于获取相邻的目标点云A以及目标点云B;
初始化单元,用于通过KD-Tree对目标点云A进行初始化操作得到初始化后的目标点云A;
计算单元,用于根据目标点云A以及目标点云B计算得出空间变换矩阵R以及对应的配准点云B*;
判断单元,用于计算目标点云B与配准点云B*的均方根误差δ,并判断均方根误差δ与第一阈值的大小关系,若均方根误差δ小于第一阈值,则结束程序,输出配准结果;若均方根误差δ不小于第一阈值,则令B=B*,返回步骤102继续执行所述混合稀疏ICP的多视点云配准方法。
在本装置应用了所述的混合稀疏ICP的多视点云配准方法后,能够针对离群值、噪声在多视点云配准时的稀疏表达特性,通过建立混合稀疏模型,在多视点云配准所需的P范数稀疏模型中加入了2范数的正则项,赋予了配准模型高稀疏和近稀疏的表征能力,实现两片相邻多视点云的精确配准。本公开具有良好的抗噪、泛化性能,能避免求解多视点云配准变换矩阵收敛于局部最优解。在具体应用时,如图5所示为目标点云A以及目标点云B的初始情况,如图6所示为经过本发明的混合稀疏ICP的多视点云配准方法处理过后的目标点云A以及目标点云B的配准结果情况。
本发明还提供一种计算机可读存储的介质,所述计算机可读存储的介质存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1-5中任一项所述的混合稀疏ICP的多视点云配准方法的步骤。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理模块,即可以位于一个地方,或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理模块中,也可以是各个模块单独物理存在,也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。
所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储的介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,RandomAccess Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括是电载波信号和电信信号。
尽管本发明的描述已经相当详尽且特别对几个所述实施例进行了描述,但其并非旨在局限于任何这些细节或实施例或任何特殊实施例,而是应当将其视作是通过参考所附权利要求考虑到现有技术为这些权利要求提供广义的可能性解释,从而有效地涵盖本发明的预定范围。此外,上文以发明人可预见的实施例对本发明进行描述,其目的是为了提供有用的描述,而那些目前尚未预见的对本发明的非实质性改动仍可代表本发明的等效改动。
以上所述,只是本发明的较佳实施例而已,本发明并不局限于上述实施方式,只要其以相同的手段达到本发明的技术效果,都应属于本发明的保护范围。在本发明的保护范围内其技术方案和/或实施方式可以有各种不同的修改和变化。
Claims (6)
1.混合稀疏ICP的多视点云配准方法,其特征在于,所述混合稀疏ICP的多视点云配准方法包括以下步骤:
步骤101、获取相邻的目标点云A以及目标点云B,并进行归一化处理,所述目标点云A以及目标点云B为多视点云;
步骤102、通过KD-Tree对目标点云A进行初始化,加速最近邻点的求解速度;
步骤103、将目标点云A以及目标点云B代入构建的关于目标点云A与目标点云B的混合稀疏配准模型,得到空间变换矩阵R以及对应的配准点云B*,所述混合稀疏配准模型为:
其中,h=R*B+t-BClosest+λ/μ,z为噪声,ρ为权重,p为正整数,R为空间变换矩阵,λ和μ均为乘子变量,BClosest为目标点云B在目标点云A中的最近邻点,t为迭代次数;
步骤104、计算目标点云B与配准点云B*的均方根误差δ,并判断均方根误差δ与第一阈值的大小关系,若均方根误差δ小于第一阈值,则控制结束程序,输出配准结果;若均方根误差δ不小于第一阈值,则令B=B*,返回步骤102继续执行所述混合稀疏ICP的多视点云配准方法;
其中,上述步骤103中确定权重ρ的方式具体包括以下:
初始化乘子变量μ、空间变换矩阵R以及迭代次数t,即令μ=10,R=I,t=[0 0 0]T,权重ρ由如下公式确定:
3.根据权利要求1所述的混合稀疏ICP的多视点云配准方法,其特征在于,上述步骤103中的所述空间变换矩阵R通过结合奇异值分解以及匹配点云质心的方式获取,具体包括以下:
R=SVD(B,C);t=mean(BClosest)-mean(R*B);C=BClosest+z-λ/μ。
4.根据权利要求1所述的混合稀疏ICP的多视点云配准方法,其特征在于,上述步骤103中乘子变量λ和μ的更新方式具体包括以下:
λt+1=λt+μδ;δ=B-BClosest;μ=1.2*μ。
5.混合稀疏ICP的多视点云配准装置,其特征在于,所述装置应用了上述权利要求1-4中任意一项所述的混合稀疏ICP的多视点云配准方法,包括:
目标点云获取单元,用于获取相邻的目标点云A以及目标点云B;
初始化单元,用于通过KD-Tree对目标点云A进行初始化操作得到初始化后的目标点云A;
计算单元,用于根据目标点云A以及目标点云B计算得出空间变换矩阵R以及对应的配准点云B*;
判断单元,用于计算目标点云B与配准点云B*的均方根误差δ,并判断均方根误差δ与第一阈值的大小关系,若均方根误差δ小于第一阈值,则结束程序,输出配准结果;若均方根误差δ不小于第一阈值,则令B=B*,返回步骤102继续执行所述混合稀疏ICP的多视点云配准方法。
6.一种计算机可读存储的介质,其特征在于,所述计算机可读存储的介质存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1-4中任一项所述的混合稀疏ICP的多视点云配准方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010773290.9A CN112102376B (zh) | 2020-08-04 | 2020-08-04 | 混合稀疏icp的多视点云配准方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010773290.9A CN112102376B (zh) | 2020-08-04 | 2020-08-04 | 混合稀疏icp的多视点云配准方法、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112102376A CN112102376A (zh) | 2020-12-18 |
CN112102376B true CN112102376B (zh) | 2023-06-06 |
Family
ID=73750010
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010773290.9A Active CN112102376B (zh) | 2020-08-04 | 2020-08-04 | 混合稀疏icp的多视点云配准方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112102376B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113050074B (zh) * | 2021-03-16 | 2023-08-25 | 成都信息工程大学 | 无人驾驶环境感知中相机与激光雷达标定***及标定方法 |
CN113706381A (zh) * | 2021-08-26 | 2021-11-26 | 北京理工大学 | 一种三维点云数据的拼接方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107709928A (zh) * | 2015-04-10 | 2018-02-16 | 欧洲原子能共同体由欧洲委员会代表 | 用于实时建图与定位的方法和装置 |
CN108665491A (zh) * | 2018-03-22 | 2018-10-16 | 西安电子科技大学 | 一种基于局部参考点的快速点云配准方法 |
CN109029417A (zh) * | 2018-05-21 | 2018-12-18 | 南京航空航天大学 | 基于混合视觉里程计和多尺度地图的无人机slam方法 |
-
2020
- 2020-08-04 CN CN202010773290.9A patent/CN112102376B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107709928A (zh) * | 2015-04-10 | 2018-02-16 | 欧洲原子能共同体由欧洲委员会代表 | 用于实时建图与定位的方法和装置 |
CN108665491A (zh) * | 2018-03-22 | 2018-10-16 | 西安电子科技大学 | 一种基于局部参考点的快速点云配准方法 |
CN109029417A (zh) * | 2018-05-21 | 2018-12-18 | 南京航空航天大学 | 基于混合视觉里程计和多尺度地图的无人机slam方法 |
Non-Patent Citations (2)
Title |
---|
颅骨点云模型的优化配准;赵夫群;周明全;;光学精密工程(07);第244-250页 * |
颅骨点云模型的局部特征配准方法;赵夫群;周明全;耿国华;;中国图象图形学报(08);第108-115页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112102376A (zh) | 2020-12-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112102376B (zh) | 混合稀疏icp的多视点云配准方法、装置及存储介质 | |
CN104778688B (zh) | 点云数据的配准方法及装置 | |
Lu et al. | Accelerated coherent point drift for automatic three-dimensional point cloud registration | |
CN106570823B (zh) | 基于平面特征匹配的点云粗拼接方法 | |
CN112630766A (zh) | 基于张量高阶奇异值分解的雷达角度和距离估计方法 | |
CN112381862B (zh) | 一种cad模型与三角网格全自动配准方法和装置 | |
CN110796691A (zh) | 一种基于形状上下文和hog特征的异源图像配准方法 | |
CN109709510A (zh) | 一种相干信源二维波达方向的估计方法及*** | |
CN113658194B (zh) | 一种基于参照物的点云拼接方法、装置及存储介质 | |
US20060045380A1 (en) | Data processing | |
CN113141202B (zh) | 基于图像轮廓提取的mimo空间非平稳信道估计方法 | |
CN109785372A (zh) | 基于软决策优化的基础矩阵鲁棒估计方法 | |
CN105846826B (zh) | 基于近似平滑l0范数的压缩感知信号重构方法 | |
CN108009988A (zh) | 一种优化粒子群的图像分形插值方法 | |
Tan et al. | Angular resolution enhancement of real-beam scanning radar base on accelerated iterative shinkage/thresholding algorithm | |
CN116993955A (zh) | 三维模型的重拓扑方法、装置、设备及存储介质 | |
CN115131523A (zh) | 一种基于迭代泊松表面重建的三维点云生成表面方法 | |
CN115047454B (zh) | 一种基于l1范数正则化的sar相位解缠方法 | |
Celebi et al. | Color quantization of dermoscopy images using the k-means clustering algorithm | |
CN112102377B (zh) | 基于切比雪夫的icp点云全局最优配准方法及装置 | |
Fan et al. | Multilevel complex source beam method for electromagnetic scattering problems | |
CN104182749B (zh) | 图像处理装置、图像处理方法以及电子设备 | |
CN112613528A (zh) | 一种基于显著性变分的点云精简方法、装置及存储介质 | |
Murphy et al. | Acceleration methods for the iterative solution of electromagnetic scattering problems | |
CN110134693A (zh) | 基于哈希和pca的时空索引建立方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |